一种胃异常区域浸润深度等级确定方法与装置

本发明属于图像处理，具体涉及一种胃异常区域浸润深度等级确定方法与装置。

背景技术：

1、胃癌是最常见的恶性肿瘤之一，其死亡率居全球恶性肿瘤第3位。早期胃癌患者治疗后5年生存率大于90％，而中晚期胃癌患者术后5年生存率不足25％。早诊早治是改善胃癌患者预后的关键。消化内镜是发现和治疗早期胃癌的强有力方法。相较于传统外科手术，内镜微创手术具有创伤小、花费少、不改变胃腔解剖结构等优势，然而，其仅适合淋巴结转移风险低的早期胃癌患者。对于高淋巴结转移风险患者，不恰当地采取内镜治疗可能导致肿瘤复发和转移；相反，对于适合内镜微创手术患者，不恰当地采取外科手术将大大降低术后生存质量。胃癌淋巴结转移风险与肿瘤深度密切相关。内镜下全面充分观察病灶，在术前判断肿瘤浸润深度，是早期胃癌诊疗决策的基础。然而，区分肿瘤浸润深度所依据的内镜特征隐蔽多变，内镜医师水平参差不齐，导致诊断和分类困难，极其考验内镜医生的知识储备和临床经验。

技术实现思路

1、针对以上问题，本发明第一方提供了一种胃异常区域浸润深度等级确定方法，可以解决根据胃镜图像识别胃异常区域浸润深度等级的技术问题。

2、为达到以上目的，本发明采取的技术方案是：

3、一种胃异常区域浸润深度等级确定方法，包括以下步骤：

4、通过获取异常区域分割图像、蠕动黏膜分割图像以及胃部充气时异常区域分割图像的多个标签属性的特征量化值，进行胃异常区域浸润深度等级的分类；

5、所述异常区域分割图像的第一标签属性包括异常区域面积属性、异常区域颜色属性、异常区域亮度分布属性和/或异常区域宽高比属性,所述蠕动黏膜分割图像的第二标签属性包括蠕动黏膜直线长度属性和/或蠕动黏膜弯曲角度属性；

6、所述胃部充气时异常区域分割图像的第三标签属性包括异常区域弹性属性和/或异常区域形态属性。

7、一些实施例中，所述通过获取异常区域分割图像、蠕动黏膜分割图像以及胃部充气时异常区域分割图像的多个标签属性的特征量化值，进行胃异常区域浸润深度等级的分类，包括以下步骤：

8、获取胃镜图像，对所述待识别的胃镜图像进行异常区域分割，得到异常区域分割图像，对所述待识别的胃镜图像进行蠕动黏膜分割，得到蠕动黏膜分割图像；

9、对所述异常区域分割图像进行第一标签属性的特征提取，获取黏膜蠕动时各个所述第一标签属性对应的第一特征量化值；

10、对所述蠕动黏膜分割图像进行第二标签属性的特征提取，获取黏膜蠕动时各个所述第二标签属性对应的第二特征量化值；

11、对所述胃部充气时异常区域分割图像进行第三标签属性的特征提取，获取胃部充气时各个所述第三标签属性对应的第三特征量化值；

12、将所述第一特征量化值、第二特征量化值和第三特征量化值输入已训练的机器学习分类器进行分类，得到所述胃异常区域浸润深度等级的分类结果。

13、一些实施例中，对所述异常区域分割图像进行第一标签属性的特征提取，获取黏膜蠕动时各个所述第一标签属性对应的第一特征量化值，包括以下步骤：

14、根据公式：

15、

16、得到异常区域面积特征量化值label1，其中s0是黏膜未蠕动时异常区域面积，s1是黏膜蠕动时异常区域面积；

17、根据公式：

18、

19、

20、

21、得到异常区域颜色特征量化值label2，其中c1是黏膜蠕动时异常区域分割图三阶颜色矩，c0是黏膜未蠕动时异常区域分割图三阶颜色矩；

22、根据公式：

23、

24、得到异常区域亮度分布特征量化值label3，其中p0是黏膜未蠕动时异常区域分割图像的形心，p01是黏膜未蠕动时连通域的基础上白色像素值的质心，p1是黏膜蠕动时异常区域分割图像的形心，p11是黏膜蠕动时连通域的基础上白色像素值的质心；

25、根据公式：

26、

27、

28、

29、得到异常区域宽高比特征量化值label4，其中w0与h0是黏膜未蠕动时异常区域的宽和高，w1与h1是黏膜蠕动时异常区域的宽和高。

30、一些实施例中，对所述蠕动黏膜分割图像进行第二标签属性的特征提取，获取黏膜蠕动时各个所述第二标签属性对应的第二特征量化值，包括以下步骤：

31、根据公式：

32、

33、得到蠕动黏膜直线长度特征量化值label5，其中l1＝max(l1i)是当蠕动黏膜在蠕动过程中未触及异常区域时蠕动黏膜最长直线长度，l0＝max(l0i)是当蠕动黏膜在蠕动过程中触及异常区域时蠕动黏膜最长直线长度；

34、根据公式：

35、

36、得到蠕动黏膜弯曲角度特征量化值label6，其中θ＝max(θi)是蠕动黏膜最大弯曲角度。

37、一些实施例中，对所述异常区域分割图像进行第三标签属性的特征提取，获取胃部充气时各个所述第三标签属性对应的第三特征量化值，包括以下步骤：

38、根据公式：

39、

40、得到异常区域弹性特征量化值label7，其中r0是胃充气前视野观察半径，r1是胃充后前视野观察半径，r0是胃充气前异常区域最大外接圆半径，r1是胃充气后异常区域最大外接圆半径；

41、根据公式：

42、

43、得到异常区域形态特征量化值label8，其中s0qi与s0oi是胃充气前异常区域以外接矩形形心将其分成8个部分的面积和以其自身形心将其分成8个部分的面积，s1qi与s1oi是胃充气后常区域以外接矩形形心将其分成8个部分的面积和以其自身形心将其分成8个部分的面积。

44、一些实施例中，还包括以下步骤：

45、对图像中蠕动黏膜进行分割；

46、获取蠕动黏膜的中心线；

47、采用角点检测算法检测中心线上的角点，在角点处将中心线分解为多段；

48、计算每段中心线的长度，将长度最大值作为蠕动黏膜最长直线度表征值。

49、一些实施例中，还包括以下步骤：

50、对图像中蠕动黏膜进行分割；

51、获取蠕动黏膜的中心线；

52、采用角点检测算法检测中心线上的角点，在角点处将中心线分解为多段；

53、计算每相邻两段中心线之间的夹角，将夹角最大值作为蠕动黏膜最大弯曲角度表征值。

54、一些实施例中，所述将所述第一特征量化值、第二特征量化值和第三特征量化值输入已训练的机器学习分类器进行分类，得到所述胃异常区域浸润深度等级的分类结果，其中机器学习分类器的分类模型包括特征拟合子网络和分类子网络；

55、将所述第一特征量化值、第二特征量化值和第三特征量化值输入已训练的机器学习分类器进行分类，得到所述胃异常区域浸润深度等级的分类结果的步骤，包括：

56、采用所述特征拟合子网络对多个所述标签属性的特征量化值进行拟合处理，得到判定系数；

57、基于所述判定系数，采用所述分类子网络进行分析，得到所述识别结果，所述识别结果为未浸润或者浅层浸润或者深层浸润。

58、本发明第二方提供了一种胃异常区域浸润深度等级确定装置，可以解决根据胃镜图像识别胃异常区域浸润深度等级的技术问题。

59、为达到以上目的，本发明采取的技术方案是：

60、一种胃异常区域浸润深度等级确定装置，用于：

61、通过获取异常区域分割图像、蠕动黏膜分割图像以及胃部充气时异常区域分割图像的多个标签属性的特征量化值，进行胃异常区域浸润深度等级的分类；

62、所述异常区域分割图像的第一标签属性包括异常区域面积属性、异常区域颜色属性、异常区域亮度分布属性和/或异常区域宽高比属性；

63、所述蠕动黏膜分割图像的第二标签属性包括蠕动黏膜直线长度属性和/或蠕动黏膜弯曲角度属性；

64、所述胃部充气时异常区域分割图像的第三标签属性包括异常区域弹性属性和/或异常区域形态属性。

65、一些实施例中，包括：

66、采集模块，其用于获取胃镜图像；

67、分割模块，其用于对所述待识别的胃镜图像进行异常区域分割，得到异常区域分割图像，对所述待识别的胃镜图像进行蠕动黏膜分割，得到蠕动黏膜分割图像；

68、特征提取模块，其用于对所述异常区域分割图像进行第一标签属性的特征提取，获取黏膜蠕动时各个所述第一标签属性对应的第一特征量化值，对所蠕动黏膜分割图像进行第二标签属性的特征提取，获取黏膜蠕动时各个所述第二标签属性对应的第二特征量化值；

69、特征提取模块，其还用于对所述异常区域分割图像进行第三标签属性的特征提取，获取胃部充气时各个所述第三标签属性对应的第三特征量化值；

70、生成模块，其用于将所述第一特征量化值、第二特征量化值和第三特征量化值输入已训练的机器学习分类器进行分类，得到所述胃异常区域浸润深度等级的分类结果。

71、本发明中的胃异常区域浸润深度等级确定方法，包括以下步骤：通过获取异常区域分割图像、蠕动黏膜分割图像以及胃部充气时异常区域分割图像的多个标签属性的特征量化值，进行胃异常区域浸润深度等级的分类；所述异常区域分割图像的第一标签属性包括异常区域面积属性、异常区域颜色属性、异常区域亮度分布属性和/或异常区域宽高比属性；所述蠕动黏膜分割图像的第二标签属性包括蠕动黏膜直线长度属性和/或蠕动黏膜弯曲角度属性；所述胃部充气时异常区域分割图像的第三标签属性包括异常区域弹性属性和/或异常区域形态属性。可以解决根据胃镜图像识别胃异常区域浸润深度等级的技术问题。